基于改进ViBe算法的运动目标检测

运动目标检测是智能视频监控中必不可少的环节,其检测结果的好坏影响着后续的研究。针对ViBe算法的不足,对ViBe算法进行了改进。根据chromacity法检测出阴影,通过在当前像素上添加与平均背景强度之间的差值来移除阴影;根据均值法提取出的背景建立初始背景模型,消除后续帧检测时出现的鬼影;通过缩小更新因子加快背景模型更新速度,快速消除均值法在运动目标过多时不能得到干净背景的问题;用自适应阈值代替固定阈值,引入颜色失真值,根据自适应阈值以及颜色失真值进行像素点分类;对前景目标进行去除小面积连通域操作以降低动态背景及噪声的干扰;通过进行闭运算操作以填充目标区域的空洞。实验采用CDnet 2014数据集进行验证,实验表明,改进算法能够有效地消除阴影和鬼影,提高了检测精准度,检测效果较为理想。     

改进型ViBe算法在运动目标检测中的应用

作为计算机视觉领域的热门方向之一,运动目标检测具有很高的理论研究价值和很广的实际应用空间。传统视觉背景提取器(Visual Background Extractor, ViBe)目标检测算法实时性高且内存消耗低,但存在受光照影响大、不能有效抑制拖影区域、无法消除阴影以及检测图像内部空洞等问题。鉴于以上不足,提出3点针对性改进策略：(1)优化算法核心参数。筛选最优值来替换以往经验值,从而提高算法性能,增强算法适应性。(2)引入光强检测算子。阈值半径随光强变化自适应,避免因光照变化而出现拖影区域。(3)增加阴影检测模型。利用感兴趣区域(Region of Interest, ROI)像素分布确定阴影位置,结合运动目标自身特性分割出目标区与阴影区。仿真实验结果证明：改进型ViBe算法不仅能够完整地检测、抓取运动目标,而且还可以有效地抑制拖影区域并消除目标阴影。     

基于灰度特征和自适应阈值的虚拟背景提取研究

针对虚拟背景提取(Visual Background extractor,ViBe)算法在目标检测时容易出现鬼影和运动目标阴影的缺点,该文提出了一种基于灰度特征和自适应阈值的ViBe背景建模改进方法。该算法首先利用ViBe算法进行背景建模,得到前景目标,然后对前景目标进行灰度特征判断和自适应阈值比较,得到没有鬼影和运动目标阴影的运动目标。实验结果表明,改进后的算法可以很好地弥补ViBe算法的不足,提高ViBe算法的识别准确率。     

结合前景轮廓提取的改进ViBe运动目标检测算法

运动目标检测是对视频或图像序列进行一系列地分析运算,计算出运动目标在图像中的位置,并将运动目标从复杂背景中提取出来,得到只包含运动目标的图像. ViBe是目前常用的运动目标检测算法,但使用ViBe算法对视频或图像序列中的运动目标进行识别与检测时,存在“鬼影”现象并易受环境噪声的影响,为此,设计了前景轮廓提取算法对ViBe算法改进.构建背景模型时,前景轮廓提取算法使用众数背景建模法建立初始背景及背景序列;前景检测时,使用背景差分法和Sobel算子计算出运动目标区域,使用自适应的多级阈值去噪;最后,将前景轮廓提取算法与ViBe算法求交集,并使用数学形态学处理获取完整的运动目标.同时,设计了CPU-GPU的并行方案,使用CPU并行的计算图像背景,使用GPU加速前景检测.将算法在CDNet2014数据集上进行测试,实验结果表明,算法的检测精确率、召回率、F1分数较ViBe分别提高了32.14%、9.64%、20.76%,漏检率及错检率较低,精度较高;效率方面,算法的平均检测帧率较ViBe算法提升了64.70%,具有较好的实时性.     

改进ViBe的运动目标检测算法

针对Vi Be算法存在鬼影、噪点的问题以及不能快速适应复杂背景进而出现误检率高的问题,提出一种改进的ViBe算法。首先算法在背景建模时将8邻域的像素点扩大到了24邻域;其次采用自适应的阈值对复杂背景进行检测;最后为了提高检测目标的准确性,改进的ViBe算法和改进的帧差法通过逻辑与或运算进行结合,并且进行形态学滤波处理对运动目标进行完整的提取。实验结果表明,改进的算法可以在更短的时间内消除鬼影,并且静态背景下检测运动目标的F-measure提升了14.2%,在树枝晃动和相机抖动的复杂背景下,能够得到较为完整和准确的运动目标,并且F-measure平均提升了2.6%。     

静态背景下的运动目标检测算法

运动目标检测是计算机视觉研究的重要组成部分。为了改进传统运动目标检测算法存在空洞、阴影和虚假边缘现象,提出一种静态背景下基于五帧差分与背景边缘差分相结合的运动目标检测算法。该算法首先利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域。实验结果表明,该算法准确率高,连通性好,能满足实时性检测的要求。     

基于自适应ViBe的运动目标检测方法及其应用

针对视觉背景提取算法(ViBe)存在精确率低和动态场景适应能力差的问题,提出一种基于自适应ViBe的运动目标检测方法.该方法构建一个基于历史背景像素的样本库,并在像素匹配时随机从样本库中选取背景样本组成背景模型;在像素匹配过程中,对"闪烁"像素设定自适应匹配阈值,解决动态场景适应能力差的问题;在更新过程中,根据匹配度来...     

基于YC_bC_r颜色空间的背景建模及运动目标检测

高斯混合模型广泛应用于基于背景建模的运动目标检测中。首先在YCbCr颜色空间采用自适应高斯混合模型对背景的每个像素建模;然后,对输入的当前帧图像的每一像素值与该像素点对应的高斯混合背景模型的各个高斯模型进行比较,将前景运动区域（包括运动目标、投射阴影）从场景中提取出来;最后,采用局部二元图（Lo-cal Binary Pattern,LBP）来提取纹理特征,利用背景在阴影覆盖前后的纹理相似性去除投射阴影,同时结合阴影的空间几何特性优化运动目标检测结果。实验结果表明,该算法能有效地检测出投射阴影和运动目标,具有较高的实际应用价值。     

结合直方图反投影的多特征运动阴影检测算法

针对视频监控中运动阴影影响目标检测跟踪准确性的问题,提出一种结合直方图反投影的多特征运动阴影检测算法。首先利用背景减除法,得到前景区域并进行初步筛选;然后在背景区域建立亮度、颜色、梯度特征的联合直方图,以反投影的方式投影到前景区域得到运动阴影概率图;最后结合空间一致性和滞后阈值,对概率图进行分割得到运动阴影区域。与典型算法进行对比的实验结果表明,本文算法能够有效区分阴影与目标,适用于实时的运动目标检测与跟踪。     

视频监控运动目标图像优化检测仿真

针对传统的ViBe检测算法在检测中出现鬼影、静止目标、阴影的缺陷,提出将像素值转化到小波域中进行分频,经过算法的优化设计,实现一种基于小波域中检测的新算法。针对ViBe算法中存在鬼影和静止目标的缺陷,将其背景更新策略设计成阶梯型更新,并赋予前景点也具备传播更新背景模型的特性,从而克服了ViBe算法中的鬼影和静止目标缺陷;接下来,利用小波分析的多尺度空间信息进行算法设计,从而达到去除阴影的目的;最后通过3组视频序列进行综合实验,用3个标准进行评价实验结果。实验结果表明,该算法实现了运动目标的有效检测,且优化了ViBe算法的缺陷。     

一种改进的基于ViBe的运动目标检测方法

ViBe运动检测算法消除鬼影的速度慢,并且在分类像素点的时候由于距离阂值固定导致检测结果的准确率下降.文章对ViBe算法存在的这两个问题做出改进.样本的选取范围由8邻域扩大到24邻域,避免选择重复的样本,加快鬼影的消除过程;在像素分类的时候根据背景动力学自适应地确定距离阈值,增强算法抗背景干扰的能力,并选用2组视频来验证改进后的算法.从检测结果可以看出,改进后的算法去除鬼影的速度更快,并且检测结果更加准确.     

基于边缘多通道梯度模型的多运动目标检测

针对视频序列运动目标检测易受环境噪声干扰、提取目标轮廓困难的问题,提出了一种基于边缘多通道梯度改进模型的多运动目标检测算法。首先,利用Canny算子获取视频序列中目标的边缘信息,并根据人类视觉色彩的恒常特性,对目标边缘建立时间、空间、颜色多通道梯度模型;然后,利用该模型获取目标边缘像素点的运动状态描述信息,实现背景边缘和运动物体边缘的分离;最后,将间断边缘像素点与其邻域点的运动状态相关联,以连接目标间断边缘,实现运动目标轮廓的提取,并将连接后的轮廓进行形态学处理以分割出目标。实验结果表明,与同类型算法相比,本算法在运动目标检测中具有的实时性、准确性和鲁棒性更好。     

一种基于能量差比较算法的差分运动检测方法的改进

本文利用人眼对边缘(空间梯度)特别敏感的视觉特点,把帧间运动变化检测和图像的边缘检测结合起来,对帧间差分法进行了改进。首先,本文构造了一个二维运动探测器,将各向异性自适应边缘检测算子扩展到动态图像处理中,提出了,运动像素的能量差比较算法。该算法能够对运动目标各个运动像素的运动方向起到一个优化加强的作用,最终得到各个方向上的最佳检测。实验证明,这种算法可以很好的强化每个像素的运动方向,达到最佳的检测效果。     

基于嵌入式系统的运动检测算法的设计及实现

提出一种基于TMS320DM6437嵌入式视频处理系统的运动检测算法,采用实时性很强的ViBe算法进行背景建模及像素点分类,在背景更新的算法上,引入帧级更新的策略,以弥补ViBe算法对突变的背景更新较慢的不足.对前景二值图,使用扫描标记法实现对运动物体的捕捉.实验结果表明,该算法实时性强,适用于嵌入式系统.     

基于光照不变性模型的运动目标检测新算法

运动目标检测有两大难点,即光照变化的影响,阴影对运动目标准确提取的影响。高志伟等人提出了基于彩色边缘的运动车辆检测,实现了复杂背景下的运动目标检测,但该方法无法消除阴影的影响。为了克服光照及阴影的影响,提出了基于一维不变性图像的背景模型,更新了最小熵投影角度,设计了运动目标检测的新算法。以交通运输领域为例,将本文算法和多层前景算法、边缘检测算法做了对比,通过实验验证了该方法在检测运动目标时能够克服光照变化影响,并有效抑制阴影。     

基于Choquet模糊积分的运动目标检测算法

本文提出了一种基于Choquet模糊积分的运动目标检测算法（CIMOD, Choquet Integrate-based Moving Object Detection）。将模糊测度和模糊积分理论应用于运动目标与背景分类中,提出了自适应阈值的Choquet积分算法,实现了图像的颜色特征和纹理特征相融合;选择YCbCr颜色空间代替传统RGB空间,将图像亮度与色度分离,降低了光照变化对运动检测的影响;利用局部二元模式（LBP,Local Binary Pattern）纹理特征对亮度级的单调的变化具有不变性的特点,将其融合到检测算法中,有效抑制了阴影的干扰。仿真实验结果表明,即使在光照变化、阴影干扰等复杂背景情况下,该算法也能够准确的检测出运动区域。     

Detecting moving object from dynamic background video sequences via simulating heat conduction

Moving object detection is one of the essential tasks for surveillance video analysis. The dynamic background often composed by waving trees, rippling water or fountains, etc. in nature scene greatly interferes with the detection of moving objects in the form of noise. In this paper, a method simulating heat conduction is proposed to extract moving objects from dynamic background video sequences. Based on the visual background extractor (ViBe) with an adaptable distance threshold, we design a temperature field relying on the generated mask image to distinguish between the moving objects and the noise caused by dynamic background. In temperature field, a brighter pixel is associated with more energy. It will transfer a certain amount of energy to its neighboring darker pixels. Through multiple steps of energy transfer the noise regions loss more energy so that they become darker than the detected moving objects. After heat conduction, K-Means algorithm with the customized initial clustering centers is utilized to separate the moving objects from background. We test our method on many videos with dynamic background from public datasets. The results show that the proposed method is feasible and effective for moving object detection from dynamic background sequences.     

基于HSV空间阴影去除方法研究与应用

在智能视频监控系统中,运动阴影如果被误判为运动目标,将会影响到场景中运动目标的准确提取、跟踪和预测。针对这一问题,设计了一种基于HSV颜色空间的阴影去除方法。方法首先将背景差法和三帧差分法相结合,用于提取运动目标,再将提取的含有阴影的运动目标区域映射到其HSV色彩空间,通过与背景和相邻帧的亮度、饱和度比较,实现对阴影区域的检测和去除,处理过程中无需提前确定特征判别参数。将所设计的方法在标准高速公路视频数据库中进行测试并应用于实时的视频监控系统,验证结果表明该方法能更加有效的消除阴影,从而准确的检测出运动目标,同时方法对光线变化具有一定的鲁棒性。     

一种改进的基于纹理和颜色的运动阴影检测

精确地消除活动阴影对运动目标的影响是智能视频监控的核心任务之一,针对当前运动阴影检测中采用的纹理信息过于粗糙、阈值选取需要人工干涉等问题,通过对NCC(归一化互相关)纹理算法进行改进,并结合亮度和归一化颜色特性,提出一种自适应的运动阴影检测方法。以混合高斯模型得到的前景像素为基础,通过阴影在亮度和归一化颜色的特性筛选出候选的阴影区域,结合改进的纹理算法进一步缩小阴影区域范围,最后利用空间后处理得到真实阴影。实验结果表明,该算法在有效降低噪声干扰的情况下能够较好区分局部纹理不明显的运动目标和阴影。